Hoff и OWOX BI: Как увеличить ROI контекстной рекламы на 17%, а количество фраз с ненулевой ценностью — в 2,4 раза

21
1928

Hoff

Hoff — единственная в России сеть мебели и аксессуаров для дома, работающая в формате гипермаркета. Компания предлагает комплексные решения по оформлению интерьера и использует омниканальные продажи. Это значит, что можно заказать доставку мебели на дом в гипермаркетах, онлайн-магазине или через колл-центр.

Как самостоятельный бренд Hoff появился на рынке в сентябре 2011 года. К 2017 году сеть Hoff разрослась до 25 магазинов в 11 городах России. Ежегодно гипермаркеты компании посещают 5 млн человек, а сайт Hoff.ru — 12,5 млн уникальных посетителей.

OWOX

OWOX внедряет Google Analytics 360 Suite в Есommerce-проекты и разрабатывает онлайн-сервисы на основе Google BigQuery:

  • OWOX BI Smart Data помогает получать быстрые ответы на вопросы к данным, заданные человеческим языком.
  • OWOX BI Attribution помогает узнать реальную ценность рекламных кампаний с учетом офлайн продаж и действий пользователя во время сессии.
  • OWOX BI Pipeline помогает быстро и без программистов объединять данные из Google Analytics, Competera и других сервисов в Google BigQuery.

OWOX — сертифицированный партнер Google Analytics и Google Cloud Platform. Продуктами компании пользуются 9000+ проектов в 90+ странах.

Цели

Цель Hoff — увеличить ROI онлайн-рекламы. Для этого необходимо:

  1. Собрать данные о всех сессиях пользователя онлайн (с разных устройств) и офлайн.
  2. Оценить прибыль от каждой поисковой фразы, а не назначать 100% ценности последним фразам перед конверсией.
  3. Автоматизировать управление контекстной рекламой и расчет ставок. Сумма, которую платит рекламодатель за клики или показы

Чтобы достичь цели, Hoff использует полные данные (действия пользователей; заказы по телефону, офлайн и онлайн; рекламные расходы), собственную модель атрибуции и Alytics.

‘‘
«У нас огромное количество фраз и кампаний. Вручную управлять этим невозможно. Для автоматизации управления контекстной рекламой мы используем Аlytics».
Андрей Колесниченко,
Аналитик Hoff

Проблема

Чтобы автоматизировать ставки, необходимо знать эффективность каждой поисковой фразы. Определить ценность фраз можно только, связав все сессии пользователя: онлайн — с разных устройств, по телефону и в физических магазинах. В Google Analytics такой возможности нет.

Google Analytics и Яндекс.Метрика неточно определяют ценность рекламных каналов, потому что их модели атрибуции:

  • Не учитывают отмененные заказы.
  • Не учитывают офлайн-заказы.
  • Не учитывают маржу заказа.
  • Не учитывают заказы по телефону.
  • Воспринимают пользователя, который заходит на сайт с разных устройств, как нескольких пользователей.
  • Семплируют В отчетах отражается лишь часть данных, что уменьшает точность решений данные при построении отчетов.

Неправильная оценка поисковых фраз мешает корректно рассчитывать ставки. В результате высокая ставка расходует бюджет впустую, а низкая — привлекает меньше клиентов.

Решение

Заказы по телефону и в офлайн, а также расходы на рекламу (кроме AdWords) недоступны в Google Analytics, поэтому Hoff собирает данные и атрибутирует ценность от заказов в Google BigQuery.

Причины, по которым компания выбрала этот сервис:

  • Высокая скорость выполнения запросов на любом объеме данных — до 20 секунд.
  • Наличие API для интеграции с другими системами.
  • Возможность легко загрузить данные из файлов и Google Sheets.
  • Плата только за использование.
  • Нет необходимости поддерживать базу данных.

Hoff импортирует рассчитанную в Google BigQuery ценность каналов и фраз из Google Cloud Storage в Alytics с помощью RESTful API Средства и правила, по которым веб-приложения обмениваются информацией , чтобы управлять ставками. Теперь распишем подробнее каждый шаг.

Шаг 1. Сбор данных в Google BigQuery

Данные о расходах на рекламу из AdWords передаются в Google Analytics автоматически благодаря интеграции сервисов.

С помощью сервиса OWOX BI Pipeline Hoff передает:

  • Данные о расходах на рекламу из Яндекс.Директ в Google Analytics (GA объединяет их с расходами из AdWords).
  • Объединенные данные по расходам из Google Analytics в Google BigQuery.
  • Действия пользователей с сайта в Google BigQuery в режиме, близком к реальному времени.

С помощью API Средства и правила, по которым приложения обмениваются информацией Hoff передает в Google BigQuery:

  • Маржу товаров и исполняемость заказов из CRM и ERP.
  • ClientID пользователей, которые звонили, из системы отслеживания звонков CallTouch. Hoff покупает у CallTouch телефонные номера: чем выше посещаемость и дольше средняя сессия, тем больше номеров. Система показывает один из номеров в каждой сессии на сайте и связывает его с ClientID пользователя. Далее Hoff импортирует ClientID звонивших из CallTouch в Google BigQuery с помощью API.

Ниже представлена схема движения данных:

Шаг 2. Обработка собранных данных

Теперь действия пользователей в магазине, колл-центре и на сайте собраны в Google BigQuery. Компания передает сессионные данные (последовательность хитов, идентификаторы сессии и зашифрованные личные данные пользователей) в Google BigQuery с помощью OWOX BI Pipeline и объединяет сессии в пользователей по следующим параметрам:

  1. ClientID — уникальный идентификатор пары браузер-устройство.
  2. UserID — уникальный идентификатор пользователя, который привязан к email.
  3. Номер карты лояльности.

Hoff связывает сессии с помощью SQL-запросов.

Рассмотрим три примера, как объединяются данные.

Пример № 1

Алла через Google Chrome на смартфоне заходит на сайт Hoff.ru и смотрит диваны. Позже, определившись с выбором, она заходит на сайт из этого же браузера на смартфоне и авторизуется, указав свой email, чтобы добавить понравившийся диван в список избранных товаров. Устройство и браузер одни и те же, поэтому Hoff объединяет обе сессии по ClientID. Придя домой, Алла садится за компьютер, входит в личный кабинет и покупает диван. Теперь сессии на компьютере и телефоне можно объединить по UserID:

Пример № 2

Игорь ищет новый стол на рабочем компьютере и заходит на Hoff.ru. Во время обеда он создает аккаунт на Hoff.ru со смартфона и оформляет заказ.

Игорь пользовался 2 разными устройствами и авторизовался только на смартфоне, поэтому сессии не связать ни по ClientID, ни по UserID. В итоге Google Analytics считает, что два разных человека используют компьютер и смартфон.

Вернувшись на рабочее место, Игорь вспоминает, что жена хотела стол цвета венге, а не орех, и что у него есть карта лояльности. Он заходит на Hoff.ru с рабочего компьютера, авторизуется, меняет заказ и покупает стол, используя карту лояльности.

Теперь Hoff может объединить все сессии Игоря, связав покупку стола на компьютере:

  • С поиском стола (сессия 1) — по ClientID, так как обе сессии созданы в одном браузере рабочего компьютера.
  • С созданием аккаунта на смартфоне (сессия 2) — по UserID, так как в обеих сессиях Игорь зашел в аккаунт Hoff.

Готово — путь Игоря от первого посещения сайта до покупки стола находится в Google BigQuery.

Пример № 3

Уже знакомый нам Игорь из Примера № 2 на рабочем компьютере заходит на Hoff.ru, подбирает стулья к новому столу, звонит по номеру телефона, который видит на сайте и делает заказ. Потом он едет в магазин на машине и покупает стулья, используя карту лояльности.

Hoff объединяет прежние действия Игоря на сайте с действиями в магазине и по телефону:

  • Заказ по телефону с действиями онлайн — по ClientID, так как Игорь ранее совершил покупку стола и CallTouch показал ему телефонный номер на одном компьютере в одном и том же браузере.
  • Офлайн покупку стульев с онлайн действиями Игоря — по номеру карты лояльности.

Теперь у Hoff достаточно данных, чтобы связать воедино все взаимодействия Игоря с их компанией. Вот как они это делают:

‘‘
«В итоге мы объединили все clientId, email-ы, карты лояльности и заказы пользователя».
Андрей Колесниченко,
Аналитик Hoff

Объединенные данные показывают, какие поисковые запросы приносят прибыль, а какие «съедают» ставку и не приводят к заказам.

Шаг 3. Расчет модели атрибуции

Логика расчета атрибуции у Hoff такая: суммарная ценность первой и последней сессии на пути к заказу равна ценности сессий между ними. В первой сессии пользователь знакомится с брендом, в последней — совершает покупку. Первая сессия — та, в которой пользователь впервые зашел на сайт. Объединение данных на разных устройствах помогает найти связь между сессиями и их хронологическую последовательность.

Ценность каналов определяют в 2 этапа:

  1. Определение рекламного канала, который инициировал первую сессию. Если пользователь уже был на сайте, то источник привлечения — рекламный канал предыдущей сессии. Если пользователя привела контекстная реклама в Google, но до этого он заходил через органический поиск в Яндексе, то модель считает, что с брендом его познакомил Яндекс, а не Google.
  2. Назначение ценности сессиям. Прибыль от покупок распределяется между сессиями пользователя по следующим правилам:
    • Первая сессия — 20% от суммы транзакций.
    • Последняя сессия — 30%.
    • Сессии между ними — 50%. Сессии оценивают по количеству просмотренных страниц, т.е. вовлеченности, и количеству часов до покупки. Чем больше страниц и меньше часов по сравнению с другими сессиями, тем ценнее эта сессия.

Шаг 4. Передача и использование данных в Alytics

Ценность фраз и каналов пересчитывается автоматически каждый день. Результат сохраняется в таблице в Google BigQuery и Google Cloud Storage. Hoff экспортирует результат атрибуции из Google Cloud Storage в Alytics с помощью RESTful API.

Hoff настроили правила, по которым Alytics определяет размер ставки. Чем больше ROI поисковой фразы, в которой упоминается товар, тем выше ставка. К примеру, если ROI столов меньше 15%, ставка на объявление для поисковой фразы «купить стол» равна 1 $; если ROI больше 75% — 4 $. Все числа определены экспериментально.

Результаты

В итоге Hoff:

  1. Увеличил ROI контекстной рекламы на 17% за счет оптимизации размера ставок.
  2. Точнее оценил прибыль от поисковых фраз. Количество фраз с ненулевой ценностью выросло в 2,4 раза: стандартные модели атрибуции их просто не учитывали.
  3. Узнал, что некоторые ключевые фразы приносят значительно больше заказов офлайн, чем онлайн.

Решение помогло ответить на вопросы:

  1. Как изменится ROI онлайн-рекламы с учетом исполняемости заказов?
  2. Как онлайн-реклама влияет на заказы, оформленные через колл-центр?
  3. Какие ключевые фразы приносят самые прибыльные заказы?
  4. Какие товары имеют наибольший ROI?
  5. Какая доля офлайн заказов совершена под влиянием онлайн-рекламы?

Вас также могут заинтересовать